人工蜂群优化算法在复数盲源分离中的应用

针对复值信号的源数估计和有序分离等关键技术,提出一种基于人工蜂群优化的源数未知的复值盲源分离方法,该方法首先利用交叉互验技术来估算复数源信号的个数,然后通过人工蜂群算法优化峰度的绝对值来获得最佳分离向量,并实现了逐次恢复源信号的目的.仿真实验结果表明,该方法不仅能依峰度绝对值的降序实现服从任何分布源信号的盲分离,同时比其他方法具有更优越的估计性能.另外,提出一种基于峰度的欠定复盲源分离算法,该算法根据信号的统计特性构造了用于欠定混合情况下盲抽取向量的代价函数,然后通过人工蜂群算法优化其函数来获得最佳分离向量,通过多次分离来实现欠定复盲源分离的目的.通过对混合分布类型的复值源信号欠定盲分离仿真实验验证了该算法的有效性.     

基于反馈机制的抗混合噪声的盲图像源分离方案

针对基于稀疏成分分析的盲图像源分离算法无法解决混合噪声问题,本文提出一种采用反馈机制的盲源分离算法.通过小波域稀疏成分分析和置零反馈的方法,逐次分离出各支路信号.实验结果表明,该方法无需大量的迭代运算,与传统稀疏成分分析法相比,能有效地分离高斯白噪声参与的混合图像,与经典快速独立成分分析法相比,取得了更高的分离精度.     

基于稀疏元分析的欠定混叠自适应盲分离方法

传统盲分离理论假设源信号相互独立，通常采用独立元分析方法等实现盲分离，无法解决实际应用中出现的欠定混叠、相关源信号混叠等挑战性盲分离问题．稀疏元分析是国际上最近出现的一个新的研究热点，稀疏元分析盲分离方法具有实现欠定混叠盲分离和相关源信号混叠盲分离的能力，因而为广大研究人员所关注．但到目前为止，对于稀疏元分析的研究还很不成熟，特别是非常欠缺有效的算法．仅有的少数几个算法仍然面临许多问题，比如：基于Lewicki和Sejnowski（2000）所给Lewicki—Sejnowski自然梯度的稀疏元分析方法，是目前讨论欠定混叠盲分离的一种有效自适应算法，它较通常的K-均值聚类法有更多的优势．但Lewicki—Sejnowski自然梯度只是一种近似表示，缺乏严格的理论依据．由稀疏元分析代价函数出发，基于矩阵理论以及文中所建立的一个新的数学公式，从理论上导出了一个新的且严格的自然梯度，从而为这类稀疏元分析方法提供了严格的理论基础．在此基础上，给出了稀疏信号欠定混叠的新自适应盲分离算法．该方法具有实现欠定混叠和相关源混叠盲分离的能力（见仿真1）．仿真结果表明，所给的新自然梯度比Lewicki—Sejnowski自然梯度更为稳定可靠，同时算法具有较好的抗噪性．     

基于恒模特性的单通道时频重叠信号盲分离算法

针对单通道同调制方式、同调制参数时频重叠信号的盲分离问题,基于MSK信号的恒模特性,及对MSK混合信号分量幅度的准确估计,构建了单通道信号盲分离欠定方程组.为解决该方程组的解模糊问题,根据MSK信号相位连续特性,提出了相位方差最小模糊解消除准则.但相位对噪声较为敏感,该准则可能会产生严重的误判现象,又提出了一种基于最小斜率的补充准则.基于以上两种模糊解消除准则,可对单通道信号盲分离欠定方程组的模糊解进行合理选择,有效地实现了MSK时频重叠信号的单通道盲分离.仿真结果表明:在信噪比大于5 dB的条件下,该算法对混合信号具有较好的分离效果.并且该算法具有复杂度低、计算量小的优点.     

基于时频域单源主导区的盲源欠定分离方法

提出时频域上单源主导的概念及其性质,扩充了稀疏性概念涵盖的混叠声源范围,更加接近多声源混叠的客观实际条件．派生的单源主导区间检测准则,在工程实践中具有较强的可操作性．在此基础上提出新的基于时频域单源主导区的盲源欠定分离方法（SSDI-UDBBS）,对声源数目和混叠矩阵的幅值衰减比与时延差同时进行准确地估计,并根据估计得到的声源数目和混叠矩阵,提出采用计算效率高的限制解计算框架求解还原声源的问题．新算法的可应用性在模拟会议室场景下的声源数目未知和传感器数目小于声源数目的盲源欠定分离实验中得到了佐证．     

盲均衡和信道参数估计的一种ICA和进化计算方法

首先给出了一种盲均衡的新方法。该方法利用过程采样技术和一种新的独立分量分析神经网络，仅通过接收到的信号完成在线盲均衡，基于接收信号的四阶累积量和线性系统的特性，利用进化规划算法和均衡输出序列，估计信道参数。计算机仿真结果表明算法具有较好的性能。     

多源异构感知数据融合方法及其在目标定位跟踪中的应用

物联网的全面感知产生了海量的感知数据,并且感知数据呈现为显著的多源异构性.因此,如何实现海量多源异构感知数据的智能处理是一个具有挑战性的课题.数据融合是处理多模态数据并挖掘提取有价值信息的有效手段,但针对多源异构数据,特别是非结构化的视频多媒体信息,如何实现高效的融合计算还面临许多问题需要解决.本文针对物联网多源异构感知信息的处理问题,提出多层次的多源异构数据融合方法,并以基于无线信号、视频和深度感知数据的目标定位跟踪应用为切入点,重点研究多源异构数据的处理、特征表示和数据融合方法.根据不同类型数据的特性采用不同的数据融合方法,通过挖掘无线信号、视频和深度等多源异构数据内在的关联性,实现多源异构数据有价值信息的有效利用.实际复杂场景的实验表明,本文提出的基于多源异构数据融合的目标跟踪和定位方法,能够解决传统依赖单源同质数据的目标跟踪方法所面临的光照变化和遮挡交错等难点问题,并且可以获得较为准确的运动目标三维位置,具有良好的跟踪定位效果.     

欠定情形下语音信号盲分离的时域检索平均法

探讨欠定情形（即观察信号的个数少于源信号个数）下的盲信号分离,提出一种新的方法,即时域检索平均法（SAMTD）,该方法可解决目前在频域中难以处理的一类问题,它利用一类语音信号在时域中的稀疏持续性,回避像K均值聚类或势函数等常用统计聚类方法.为估计混叠矩阵,它剔除那些不与基矢量共向或反向的数据样本,以提高其估计的准确性.在源信号的恢复上,提出了一个超完备线性几何ICA改进算法.几个语音信号实验的仿真数据展示了所提方法的性能和实用性.     

信源数目未知和动态变化时的盲信号分离

研究源信号数目未知与／或动态变化情况下的盲信号分离问题．首先证明若混合矩阵满列秩（观测信号的数目m不小于源信号的数目n），则互信息是盲信号分离的对比函数；在互信息的全局极小值点即分离点处，盲信号分离系统的输出除了零分量外，其他非零分量；黾希望提取的源信号．其次，利用混合矩阵的转置和m个观测信号向量构成的矩阵以概率1具有相同的零空间这一性质，只需少量观测样本就可以估计源信号的数目n，进而检测其动态变化情况．源信号数目未知且动态变化的盲信号分离计算机仿真验证了所提出理论和算法的有效性。     

基于自然梯度的递归最小二乘盲信号分离

研究在线盲信号分离问题. 先提出一种递归最小二乘(RLS)白化算法, 然后与一种基于自然梯度的RLS信号分离算法相结合, 并经合理近似, 得到一种新的RLS盲信号分离算法, 它不需要对观测数据进行白化预处理. RLS白化算法和RLS信号分离 算法的平衡点分析表明, 这两种算法具有所期望的收敛性. 理论证明了提出的RLS盲信号分离算法具有等变化性和分离矩阵的非奇异性这两个关键性能. 仿真实验验证了新算法的有效性.     

基于最大方差展开的非线性信号降噪方法及其在故障诊断中的应用

将流形学习的思想引入信号降噪中,提出了一种新的基于最大方差展开（maximum variance unfolding,MVU）的非线性信号降噪方法.该方法首先基于相空间重构理论将含噪信号重构到高维相空间,再采用流形学习理论中的MVU算法对相空间数据进行非线性降维,将蕴含在相空间中代表吸引子的低维流形与噪声子空间分离,然后对低维流形进行逆重构,从而得到降噪后的信号.对加噪的Lorenz信号的仿真结果表明,该方法的降噪性能要优于基于KPCA的非线性降噪方法,且具有参数估计简单、参数影响不大等优点.最后将该降噪方法应用于带有轻碰磨故障的航空发动机转子―机匣系统振动信号,有效地提取出了淹没在噪声中的轻碰磨故障特征.     

未知信源数的宽带信号源二维空间谱估计

目前存在的宽带信号波达方向估计方法仅限于估计已知信源数的信号方位角。Ｐａｄｍｉｎｉ等人最近指出，圆阵在估计宽带源的ＤＯＡ时具有和很多优良特性，采用具有延迟抽头的圆阵实现了宽带信号２－Ｄ空间谱估计，并将Ｃｈｏｉ等人针对未知信源数的窄带信号提出的扩展ＭＵＳＩＣ方法，扩展用于宽带源的ＤＯＡ估计，分析及仿真表明，该方法尤其适合宽阵列信息处理，且采用大孔径圆阵可显著提高估计的分辨性能和稳健性。     

负信噪比直扩信号的基带码盲检测

研究在没有直扩信号任何先验知识的情形下，利用随机微分方程和能量检测法，从负信噪比直扩信号中盲检测出载波信号．利用非线性信号噪声减缩的理论和小波多尺度算法，从载波信号中盲检测出基带码．计算机模拟表明，能够从载噪比为-27dB的直扩信号中盲检测出载波信号．已知载波频率，能从载噪比为-10dB的直扩信号中盲检测出载波信号上的基带码，其从误码率为10^-4．     

交叉敏感情况下多传感器系统的动态特性研究

讨论了具有交叉敏感的传感器组成的多传感器系统的动态特性及其对系统检测精度的影响. 提出了将该多传感器系统看作一个线性滤波器与一个无记忆非线性函数的串联系统, 即Wiener系统, 把后续的信息融合系统看作一个无记忆非线性函数与一个线性滤波器的串连, 即Hammerstein系统. 在静态标定的基础上, 用盲解卷积技术求得Hammerstein的线性滤波器系数矩阵. 针对盲解卷积技术复现信号幅值不确定性的缺点, 提出了一种根据逆滤波器系数矩阵与静态标定的线性矩阵的同一性校正滤波器系数矩阵的方法, 以获得多传感器系统的近似逆向动态模型, 提高了多传感器系统在实际检测过程中的检测精度, 降低了动态检测结果失真度, 满足了实际情况的需要. 最后的仿真结果表明, 输入信号频率接近采样频率1/10时, 用盲解卷积技术获得的幅值复现误差是未经过动态补偿的幅值复现误差的1/20, 是各传感器单独动态补偿后幅值复现误差的1/2, 快速性提高了2倍. 金属氧化物半导体甲烷传感器的动态补偿结果表明, 在温度阶跃响应下, 补偿后的甲烷检测误差小于补偿前的1/2, 因此这种方法拓宽了多传感器系统的带宽.     

结合交替分离(AS)和交替投影(AP)算法的ASAP算法

分析了交替分离(AS)算法与交替投影(AP)算法的一些性质. 根据这些分析结果, 提出了将交替分离与交替投影算法有机结合形成所谓ASAP算法, 以克服交替分离算法收敛速度较慢而交替投影算法又易于陷入最大似然代价函数的局部极值的缺陷. 分析了这种结合的逻辑合理性. 计算机仿真也验证了ASAP算法能够以较少的迭代次数得到信号参数较理想的估计.     

稀疏表示与病态混叠盲分离

Bofill（2001）等人首次针对两个传感器的稀疏信号盲分离问题进行了讨论. 但也正如Bofill自己所指出的那样, 此方法存在局限性, 特别是其中的势函数的参数选择缺乏理论指导, 而且此方法不宜推广到具有三个或更多的传感器的情形. 因此这里回避Bofill势函数方法, 建立了K-PCA方法（即K-聚类与主成分分析PCA相结合的方法）. 新方法克服了Bofill方法参数选择的困难, 可以方便地应用于三个及其以上传感器的情况, 而且具有实现简单、混叠矩阵估计精度高的特点. 另外, 为了检验混叠矩阵A的估计是否一定有效, 给出了相应的判别准则. 仿真结果表明了该方法的可行性和准确性.     

基于分阶段学习的盲信号分离

首先定义了描述信号分离状态的信号相依性测度, 并利用此测度将传统算法中的学习速率参数推广至二维矩阵, 从而提出了一种基于分阶段学习的盲信号分离算法, 即整个信号分离过程被分成三个阶段进行: 初始阶段、捕捉阶段和跟踪阶段, 每个阶段的学习速率由信号的分离程度自适应选取. 理论分析表明, 该算法满足等变化性和分离矩阵的非奇异性条件. 仿真结果证实, 新算法具有比使用固定和其他自适应学习速率的算法更快的收敛速度、更好的稳态性能和更高的数值稳定性.     

基于高阶累积量和瞬时特征的调制识别算法

从特征参数提取角度出发,提出了一种基于高阶累积量和瞬时特征的信号调制识别算法。该算法从调制信号高阶累积量中提取出稳健的特征参数,并结合改进的瞬时特征参数,采用决策树的方法对信号进行调制识别。与传统决策论识别算法相比,本算法特征参数较少,识别类型多。最后仿真结果表明,该算法在较低信噪比下具有很好的识别率（〉95％）。     

信噪分离的频域方法

提出一种信噪分离的新方法。根据采样时间段内信号及其导数的特点定义频率,由此构造一种双正交基,使信号可以精确地表示为低频双正交基的线性组合。在时频结合的基础上,导出了信噪分离的高精度方法,设计了配套算法,分析了这种方法的有效性。此方法精度较高,便于综合应用时域和频域上的信号特征,可以处理多频段的信噪分离问题。     

弹道中段目标回波平动补偿与微多普勒提取

该文针对弹道目标回波微多普勒过大或过小时平动补偿和微多普勒提取问题,提出了一种时域处理方法.该方法通过多级延迟共轭相乘处理实现平动补偿,通过调整延迟时间实现微多普勒缩放,并根据信号能量差异使用Hough变换进行各信号分量的逐次分离和微多普勒的逐次提取.理论分析和仿真实验均表明:本文方法可以有效进行多分量弹道目标复合运动回波信号平动补偿和微多普勒提取,显著提高雷达探测微动结构的能力.